PERAMALAN DEBIT AIR SUNGAI BRANTAS

DENGAN MODEL GSTAR DAN ARIMA

Oleh:
Henny Dwi Khoirun Nisa’
1205 100 044
Dosen Pembimbing:
Dra. Nuri Wahyuningsih, M.Kes
Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh November
Surabaya 2010

Abstrak
Dalam kehidupan sehari-hari, seringkali kita jumpai data yang tidak hanya mengandung keterkaitan dengan
kejadian pada waktu sebelumnya, tetapi juga mempunyai keterkaitan dengan lokasi atau tempat yang lain. Data seperti
ini disebut data spasial, salah satu data yang diduga mempunyai keterkaitan antar waktu dan lokasi adalah data debit air
sungai. Untuk mendapatkan hasil peramalan yang baik maka dilakukan perbandingan dua model yaitu model
Generalized Space Time Autoregressive (GSTAR) dan model Autoregressive Integrated Moving Average (ARIMA).
Dalam penilitian ini akan diterapkan model GSTAR dengan dua bobot lokasi yaitu bobot seragam, dan bobot inverse
jarak. Pemodelan ARIMA dimaksudkan untuk mengatasi permasalahan yang mungkin muncul yaitu dugaan tidak
adanya hubungan keterkaitan antar lokasi. Dari analisis yang telah dilakukan, didapatkan model yang sesuai dengan data
yaitu model GSTAR(21) – I(1) untuk ketiga lokasi, model ARIMA(1,0,0) untuk Z1, model ARIMA(1,0,0) untuk Z2 ,
dan model ARIMA([3,10],1,[3,13]) untuk Z3. Dari model GSTAR dan ARIMA yang terbentuk akan dipilih model
terbaik yang menghasilkan kesalahan ramalan terkecil. Pemilihan model terbaik didasarkan pada nilai RMSE dari
model. Berdasarkan nilai rata-rata RMSE dari peramalan dengan menggunakan one step forecast, didapatkan
kesimpulan bahwa model yang paling sesuai dengan kondisi data adalah model GSTAR(2 1) – I(1) dengan bobot lokasi
inverse jarak.
Kata kunci: GSTAR, ARIMA, RMSE, Debit air, one step forecast.

1. Pendahuluan
Sungai Brantas, terletak di propinsi Jawa Timur dengan luas wilayah sungai 26,5% dari wilayah propinsi
Jawa Timur. Sebagai sumber air yang sangat potensial bagi usaha pengelolaan dan pengembangan sumber
daya air, Sungai Brantas digunakan untuk kebutuhan domestik, air baku air minum dan industri, irigasi, dan
lain lain. Seiring dengan semakin banyaknya kajian-kajian mengenai analisis time series, muncul pemikiran
adanya dugaan bahwa ada beberapa data dari suatu kejadian yang tidak hanya mengandung keterkaitan
dengan kejadian pada waktu-waktu sebelumnya, tetapi juga mempunyai keterkaitan dengan lokasi atau
tempat yang lain. Dengan adanya keheterogenan debit air sungai pada setiap lokasi pengukuran maka untuk
melakukan pemodelan hendaknya tidak hanya memperhatikan masalah waktu, akan tetapi juga
memperhatikan masalah lokasi. Model space-time ini pertama kali diperkenalkan oleh Pfeifer dan Deutsch
(1980a, 1980b). Model space-time yang dikembangkan oleh Pfeifer dan Deutsch mempunyai kelemahan dan
kelemahan ini diperbaiki oleh Borovkova, Lopuhaa, dan Ruchjana (2002) melalui model yang dikenal dengan
model Generalized Space-Time Autoregressive (GSTAR). Model GSTAR ini muncul atas ketidakpuasan
terhadap pengasumsian karakteristik lokasi yang seragam (homogen) pada model STAR yang membuat
model ini menjadi tidak fleksibel, khususnya pada saat dihadapkan pada lokasi-lokasi yang memiliki
karakteristik yang heterogen. Ruchjana (2002) melakukan pemodelan dengan GSTAR untuk data produksi
minyak bumi, model yang didapatkan yaitu GSTAR (11) dengan matrik bobot spasial serta estimasinya
menggunakan metode kuadrat terkecil (Least Square). Penelitian lainnya dilakukan oleh Borovkova dkk.
(2008) mengenai hasil produksi teh bulanan di Jawa Barat. Pada penelitian ini diambil 24 lokasi dengan 94
pengamatan dan estimasinya menggunakan metode kuadrat terkecil (Least Square). Pada tahun 2009 Mir
Atus Shofiyah menerapkan model GSTAR pada data produksi gas, model yang didapatkan yaitu model

1
GSTAR (11) – I(1) dengan bobot lokasi inverse jarak dan menggunakan one step forecast. Amstrong (2006)
serta Kostenko dan Hydman (2008) menyatakan bahwa variabel yang tidak signifikan dapat digunakan untuk
melakukan peramalan. Model GSTAR ini dapat diterapkan pada data debit air sungai Brantas. Dengan
diperoleh model GSTAR, diharapkan akan diketahui hasil debit air sungai Brantas, yang menjadi masalah
utama dalam model GSTAR adalah pada pemilihan bobot lokasi. Pemilihan bobot lokasi yang optimal akan
menghasilkan model yang lebih tepat sehingga diperoleh hasil peramalan yang tepat pula. Kawasan rawan
banjir adalah kawasan yang setiap musim hujan mengalami genangan lebih dari enam jam pada saat hujan
turun dalam keadaan normal. Dengan diketahuinya peramalan debit air sungai Brantas maka akan diketahui
kapan banjir itu akan datang. Sehingga perlu kiranya untuk melakukan peramalan debit air sungai Brantas
pada periode yang akan datang.

2. Model ARIMA dan GSTAR

Model ARIMA merupakan model yang biasa digunakan pada data deret waktu yang univariat. Model ini
dapat menjelaskan keterkaitan suatu pengamatan pada suatu waktu dengan pengamatan pada waktu-waktu
sebelumnya. Secara umum model ARIMA(p,d,q) dirumuskan sebagai berikut (Wei, 2006) :
 p  ( B )( 1  B )d Z ( t )  0   q ( B )e( t ) (1)
dengan :
𝑝, 𝑑, 𝑞 ∶ orde AR nonmusiman, orde differencing non-musiman, orde MA nonmusiman
∅𝒑 𝐵 ∶ koefisien komponen AR nonmusiman dengan derajat p
𝜃𝑞 𝐵 ∶ koefisien komponen MA nonmusiman dengan derajat q
𝐵 ∶ backward shift operator nonmusiman
Salah satu metode yang digunakan dalam pemodelan ARIMA adalah metode Box-Jenkins. Metode ini
menggunakan nilai-nilai sekarang dan nilai-nilai waktu sebelumnya dari suatu variabel untuk menghasilkan
model ramalan jangka pendek dengan pendekatan yang iteratif.
Model GSTAR merupakan suatu model yang lebih fleksibel sebagai generalisasi dari model STAR.
Secara matematis, notasi dari model GSTAR(p1) adalah sama dengan model STAR(p1). Perbedaan utama dari
model GSTAR(p1) ini terletak pada nilai-nilai parameter pada lag spasial yang sama diperbolehkan berlainan.
Dalam notasi matriks, model GSTAR(p1) dapat ditulis sebagai berikut :
p
Z ( t )   k 0  k 1W Z ( t  k )  e( t ) (2)
k 1

Dengan:
1 𝑁
𝚽𝒌𝟎 = diag 𝜙𝑘0 , … , 𝜙𝑘0
1 𝑁
𝚽𝒌𝟏 = diag 𝜙𝑘1 , … , 𝜙𝑘1
pembobot dipilih sedemikian hingga 𝒘𝒊𝒊 = 0 dan 𝒊≠𝒋 𝒘𝒊𝒋 = 1
Penaksir parameter model GSTAR dapat dilakukan dengan menggunakan metode kuadrat terkecil dengan
cara meminimumkan jumlah kuadrat simpangannya.
Pemilihan atau penentuan bobot lokasi merupakan salah satu permasalahan utama pada pemodelan
GSTAR. Beberapa cara penentuan bobot lokasi yang sering digunakan dalam aplikasi model GSTAR telah
disebutkan dalam Suhartono dan Atok (2006). Dua bobot lokasi yang digunakan dalam penelitian ini adalah :
1. Bobot seragam (uniform) w ij  1 ni dengan ni = jumlah lokasi yang berdekatan dengan lokasi i. Bobot
lokasi jenis ini seringkali digunakan pada data yang lokasinya homogen atau mempunyai jarak antar
lokasi yang sama,
2. Bobot invers jarak.
Root Mean Squared Error (RMSE) adalah Ukuran perbedaan antara nilai prediksi dari model atau
penaksir dengan nilai sebenarnya dari observasi. RMSE dirumuskan sebagai berikut :

 Z 
n
1 2 (3)
RMSE  MSE  n1  Ẑ n ( l )
n l 1

dengan n merupakan banyak ramalan yang dilakukan. Nilai RMSE berkisar antara 0 sampai  . Semakin
kecil nilai RMSE maka model semakin bagus

2
 Akaike’s Information Criteria (AIC) merupakan salah satu kriteria pemilihan dalam penentuan model
terbaik pada data in-sample. Model terbaik adalah model dengan nilai AIC paling kecil. Berikut cara
perhitungan nilai AIC (Lutkepohl, 2005):
~
2 (4)
∑
AIC ( p )  log det( ( p ))  K 2
p
u
~ T
Log adalah notasi logaritma natural, det(.) merupakan notasi determinan, dan ∑( p )  T ∑û û
u
1

t 1
t
'
t
adalah

matriks taksiran kovarian residual dari model VAR(p), T merupakan jumlah residual, dan K merupakan
jumlah variabel.
Dalam hidrologi dikemukakan, debit air sungai adalah, tinggi permukaan air atau elevasi muka air
sungai yang terukur oleh alat ukur permukaan air sungai. Pengukuran dilakukan tiap hari, pada jam-jam
tertentu. Mrican, Kertosona, dan Ploso merupkan salah satu tempat pengukuran debit air di sepanjang aliran
sungai Brantas. Peta ketiga tempat pengukuran debit air sungai Brantas dapat dilihat pada gambar gambar 1
berikut:

Gambar 1 peta lokasi pengukuran debit air di Mrican, Kertosono, dan Ploso

3. Metodelogi Penelitian
Data yang digunakan dalam penelitian ini didapat dari Biro Pengelolaan Dat dan Lingkungan. Data yang
digunakan sebanyak 120 dibagi menjadi dua yaitu sebagai data in-sample dan data out-sample. Untuk data in-
sample digunakan 90 data yaitu bulan Januari-Maret 2010, sedangkan yang out-sample sebanyak 30 data
yaitu bulan April 2010. Data in-sample digunakan untuk membentuk model dan data out-sample digunakan
untuk mengecek ketepatan model. Terdapat tiga variabel penelitian yang digunakan dalam penelitian ini,
yaitu:
1. Jumlah debit air sungai di out mrican (Z1).
2. Jumlah debit air sungai di kertosono (Z2).
3. Jumlah debit air sungai di ploso (Z 3).
Metode time series yang digunakan pada penelitian ini adalah pemodelan ARIMA dan pemodelan
GSTAR dengan dua bobot lokasi yaitu bobot lokasi seragam dan bobot lokasi inverse jarak. Pemodelan
dilakukan pada data in-sample. Pemilihan model terbaik pada data in-sample berdasarkan pada nilai AIC.
Selanjutnya dilakukan peramalan untuk data out-sample. Dari hasil ramalan tersebut dapat diketahui model
terbaik yaitu model dengan nilai RMSE terkecil.

4. Hasil Penelitian
Data debit air sungai yang dijadikan sebagai data in-sample pada penelitian ini adalah dari bulan Januari-
Maret 2010. Deskripsi secara statistik dari data in-sample dapat dilihat pada tabel berikut ini.
Tabel 1 Statistika Deskriptif Debit Air sungai
Variabel Mean Varians Minimum Maximum
Z1 186,196 105,457 42,875 584,833
Z2 295,827 137,533 97,000 787,083
Z3 363,010 136,362 179,333 853,208

3
 Pola data dari masing-masing variabel dapat dilihat pada Gambar 2.

Gambar 2 Plot Time Series untuk Z1, Z2, dan Z3

Besarnya pengaruh satu variabel terhadap variabel lain pada suatu waktu dapat dilihat melalui nilai
korelasi antar lokasi pada matriks korelasi antar lokasi.
Tabel 2 Matriks Korelasi Antar Lokasi
Lokasi Z1 Z2 Z3
Z1 1 0.960 0.862
Z2 0.960 1 0.915
Z3 0.862 0.915 1
Besarnya nilai korelasi antar lokasi menggambarkan besarnya hubungan keterkaitan antar lokasi.
Berdasarkan Tabel 2, dapat dilihat antar lokasi Z1 dengan Z3, Z1 dengan Z2 dan Z2 dengan Z3 mempunyai
nilai korelasi yang besar, hal ini menunjukkan adanya keterkaitan yang besar pada waktu yang sama. Nilai
korelasi ini signifikan pada  sebesar 0,05.

Model GSTAR
Dalam pemodelan data time series ada dua asumsi yang harus dipenuhi yaitu data harus stasioner dan
residual harus white noise. Untuk langkah awal identifikasi model asumsi yang harus dipenuhi adalah data
harus stasioner dalam varian dan mean. Stasioneritas data dalam varian dapat dilihat dari plot Box-Cox.
sedangkan stasioneritas data dalam mean dapat dilihat dari skema matriks korelasi silang antar variabel dan
matriks parsial korelasi silang antar variabel. Hasil identifikasi stasioneritas dalam varian dengan metode
Box-Cox Transformation disajikan dalam plot Box-Cox Gambar 3.

Gambar 3 Plot Box-Cox Variabel Z1, Z2, Z3

Dari Gambar 3 diketahui bahwa batas bawah, batas atas, rounded value, dan lambda estimate masing-
masing variabel tidak sama. Jika akan dilakukan transformasi, maka transformasi yang dipakai berbeda-beda
sesuai dengan lambda estimate masing-masing variabel. Oleh karena itu transformasi tidak perlu dilakukan
dan data dapat dianggap stasioner dalam varian (Shofiyah, Dwiatmono, dan Suhartono. 2009). Selanjutnya
dilakukan identifikasi stasioneritas dalam mean. Hasil dari identifikasi ini disajikan dalam Gambar 4.

Gambar 4 Skema Matriks Korelasi Silang Z1, Z2, dan Z3

4
 Skema matriks korelasi silang pada Gambar 4 terlihat bahwa pada semua lag terdapat nilai korelasi
silang yang keluar. Hal ini ditunjukkan oleh banyaknya simbol (+) yang dapat diartikan bahwa adanya
hubungan memiliki korelasi positif, sehingga dapat dikatakan bahwa data Z 1, Z2, dan Z3 tidak stasioner dalam
mean. Karena data belum stasioner dalam mean maka dilakukan differencing. Setelah dilakukan differencing
tingkat 1, didapatkan skema matriks korelasi seperti pada Gambar 5.

Gambar 5 Skema Matriks Korelasi Silang Z1, Z2, dan Z3 sesudah Differencing
Gambar 5 menujukkan bahwa data sudah stasioner dalam mean. Hal ini ditunjukkan oleh banyaknya
simbol (.) yang mengindikasikan bahwa tidak adanya korelasi. Sedangkan simbol (+) dan (-) pada skema
hanya keluar pada lag tertentu. Kondisi ini berarti bahwa data telah stasioner setelah dilakukan differencing 1.
Karena data telah stasioner dalam varian dan mean maka dapat dilanjutkan dengan pembentukan model
GSTAR. Pencarian orde dilakukan dengan menggunakan model VARIMA, yaitu dengan memeriksa skema
matriks korelasi silang (MACF) dan skema matriks korelasi silang parsial (MPACF). Skema matrik korelasi
silang dapat dilihat pada Gambar 5, sedangkan skema matriks korelasi silang parsial dapat lihat pada Gambar
6.

Gambar 6 Skema Matriks Korelasi Silang Parsial Z1, Z2, dan Z3 sesudah Differencing
Nilai korelasi silang dari lag-lag yang berada diluar nilai standar deviasi dipilih sebagai orde model
VARIMA. Orde VARIMA yang mempunyai nilai AIC terkecil merupakan orde yang dianggap paling sesuai
dengan karakteristik data. Adapun nilai AIC untuk setiap lag dapat dilihat pada Tabel 3.
Tabel 3 Nilai AIC untuk Menentukan Orde GSTAR
Model Dugaan Nilai AIC
GSTAR(11)–I(1) 24,23252
GSTAR(21)–I(1) 24,054788*
GSTAR(31)–I(1) 24,12024
GSTAR(41)–I(1) 24,289707
* Nilai AIC terkecil
Identifikasi terhadap nilai AIC dari model dugaan menghasilkan kesimpulan bahwa model GSTAR yang
paling sesuai untuk data in-sample adalah model GSTAR(21)–I(1) karena model dugaan ini mempunyai nilai
AIC terkecil diantara model dugaan lainnya.
Dari hasil identifikasi yang telah dilakukan, selanjutnya dilakukan penerapan tiga macam bobot lokasi
pada model GSTAR(21) – I(1). Dua bobot lokasi yang digunakan dalam penelitian ini adalah :
 0 0 ,5 0 ,5 
Bobot seragam  
W  0 ,5 0 0 ,5 

0 ,5 0 ,5 0 

 0 0 ,503726 0 ,496274
Bobot invers jarak  W  0 ,500049 0

0 ,499951

0 ,496323 0 ,503677 0 

5
 Penerapan kedua bobot lokasi pada model GSTAR(21) – I(1) menghasilkan nilai taksiran parameter yang
berbeda-beda. Hasil dari estimasi parameter dengan metode least square tersebut ditampilkan dalam Tabel 4
berikut ini.
Tabel 4 Taksiran Parameter Model CSTAR(21)-I(1)
Paramet Bobot lokasi seragam Bobot lokasi invers jarak Kriteria
t tabel Kesimpulan
er t hitung t hitung Pengujian
Nilai taksiran Nilai taksiran
01
1
0,47 0.1064 0,47 0.1067 1.96 H 0 diterima tidak signifikan
 2
01 0,25 0.0568 0,25 0.0568 1.96 H 0 ditolak signifikan
 3
01 -4,18 -0.5688 -4,18 -0.5691 1.96 H 0 diterima tidak signifikan

11
1
-0,71 -0.1146 -0,71 -0.1148 1.96 H 0 diterima tidak signifikan
11
2
-0,40 -0.1005 -0,40 -0.1004 1.96 H 0 diterima tidak signifikan

11
3
4,45 0.886 4,44 0.885 1.96 H 0 ditolak signifikan

 21
1
0,32 0.035 0,32 0.0354 1.96 H 0 diterima tidak signifikan

21
2
-0,44 -0.058 -0,44 -0.058 1.96 H 0 diterima tidak signifikan

 3
21 2,26 0.3209 2,26 0.3205 1.96 H 0 ditolak signifikan

Kemudian dilakukan uji-F dan uji-t

1. Uji Serentak dengan Uji-F
Hipotesis :
H0 : 011  012  013  111  112  113  211  212  213  0
H1 : sekurang-kurangnya ada ki 1  0 , dengan k  0 ,1,2 ,3 dan i  1,2 ,3
Satistik Uji :
Fhitung = MSR = 2,71
MSE
Ftabel = F0 ,05 ;9 ,261 = 1,88
Dengan  = 5%, karena Fhitung > F0 ,05 ;9 ,261 , maka H 0 ditolak artinya secara bersama-sama parameter
signifikan terhadap model.
2. Uji Individu dengan Uji-t
Hipotesis:
H0 : ki 1  0 , dengan k  0 ,1,2 dan i  1,2 ,3 (parameter tidak signifikan)
H1 : ki 1  0 , dengan k  0 ,1,2 dan i  1,2 ,3 (parameter signifikan)
Statistik Uji :
bk 1
t hitung 
S bk 1 
Hasil t-hitung dari pengujian masing-masing parameter dapat dilihat pada kolom kedua Tabel 4
t tabel  t 0 ,025 ; 261  1.96

Kriteria Pengujian :
Dengan  = 5%, jika t hitung > t 0 ,025 ; 261 maka H 0 ditolak artinya parameter signifikan. Hasil keputusan
pengujian masing-masing parameter model dapat dilihat pada kolom 5 Tabel 4 dan dapat disimpulkan seperti
yang ada dalam kolom 6 Tabel 4

6
 Karena ada parameter yang tidak signifikan, maka dilakukan pemilihan model regresi terbaik dengan
prosedur eleminasi langkah mundur. Parameter yang belum signifikan dihilangkan. Sehingga parameter yang
sudah signifikan dapat dilihat pada Tabel 5.
Tabel 5 Taksiran Parameter Model CSTAR(21)-I(1) yang signifikan
Param Bobot Lokasi Seragam Bobot Lokasi Invers jarak Kriteria
t hitung t hitung t tabel Kesimpulan
eter Nilai taksiran Nilai taksiran Pengujian
01
3
-4,22 -0,57 -4,22 -0,57 1.96 H 0 ditolak signifikan
 11
3
4,49 0,88 4,49 0,88 1.96 H 0 ditolak signifikan
 21
3
2,28 0,32 2,28 0,32 1.96 H 0 ditolak signifikan
Dari perhitungan parameter diatas hanya di dapat persamaan pada lokasi 3 saja, Parameter yang tidak
signifikan tersebut seharusnya tidak dimasukkan dalam persamaan model, namun untuk mengetahui ramalan
dari model GSTAR dengan bobot lokasi seragam maka semua parameterakan dimasukkan ke dalam model.
Seperti yang dijelaskan oleh Amstrong (2006) serta Kostenko dan Hydman (2008) bahwa variabel yang tidak
signifikan dapat digunakan untuk melakukan peramalan. Sehingga dalam penelitian ini, untuk model GSTAR
parameter yang tidak signifikan akan tetap digunakan.
Setelah didapatkan nilai taksiran untuk semua parameter, selanjutnya dilakukan cek diagnosa untuk
mengetahui apakah model yang terbentuk telah sesuai dengan kondisi data. Cek diagnosa dilakukan terhadap
residual dari model. Model GSTAR yang terbentuk dikatakan sesuai jika residualnya telah white noise dan
mengikuti distribusi multivariate normal. Identifikasi white noise dapat dilihat melalui skema matriks
korelasi silang residual pada Gambar 7.

Gambar 7 MACF residual GSTAR(21)-I(1) dengan Bobot Lokasi (a) Seragam, (b) Inverse Jarak.
Selanjutnya residual diuji apakah berdistribusi multivariate normal dengan menggunakan q-q plot dan
hasilnya ditampilkan pada Tabel 6
Tabel 6 Hasil Uji Multivariate Normal untuk Residual
Bobot Lokasi t
Seragam 0.733333
Inverse Jarak 0.733333
Residual dari model GSTAR(21) – I(1) dengan bobot lokasi seragam telah memenuhi asumsi white noise
dan multivariate normal. Terpenuhinya asumsi white noise dapat dilihat dari Gambar 7 dimana pada skema
matriks korelasi silang residual tidak ada lag yang keluar secara bersama. Sedangkan terpenuhinya asumsi
multivariate normal dibuktikan oleh t-value dari masing-masing residual yang lebih besar dari 0.05 sehingga
dapat dikatakan residual dari bobot lokasi seragam dan inverse jarak sudah berdistribusi multivariate normal.
Karena dua asumsi untuk residual telah terpenuhi, maka dapat disimpulkan bahwa model GSTAR(21) – I(1)
sudah baik dan sesuai dengan kondisi data.

Model ARIMA
Penaksiran parameter pada pemodelan GSTAR(21) – I(1) dengan dua macam bobot lokasi menghasilkan
parameter yang tidak signifikan. Sehingga muncul dugaan bahwa tidak terdapat korelasi antar lokasi dan
antar waktu. Oleh karena itu perlu untuk dilakukan pemodelan pada tiap-tiap lokasi dengan menggunakan

7
model ARIMA. Seperti pada pemodelan GSTAR(21) – I(1) yang telah dilakukan sebelumnya, sebelum
menduga model ARIMA perlu diketahui terlebih dahulu apakah data telah stasioner dalam varian dan mean.
Kestasioneran dalam varian telah dibuktikan oleh hasil identifikasi dengan menggunakan Box-Cox
Transformation yang dilakukan sebelumnya yaitu pada saat pembentukan model GSTAR(21) – I(1).
Identifikasi tersebut membuktikan bahwa data pada tiap-tiap lokasi telah stasioner dalam varian. Sedangkan
pengujian kestasioneritasan dalam mean untuk tiap-tiap lokasi dapat dilihat dari plot ACF tiap-tiap lokasi
pada Gambar 8.

Gambar 8 Plot ACF Variabel Z1, Z2, Z3

Dari Gambar 8 terlihat bahwa plot ACF dari lokasi Z3 turun lambat. Hal ini berarti bahwa data pada
lokasi tersebut belum stasioner dalam mean sehingga perlu dilakukan differencing. Sedangkan plot ACF dari
lokasi Z1 dan Z2 turun cepat. Kondisi ini mengindikasikan bahwa data pada lokasi Z 1 dan Z2 telah stasioner
dalam mean sehingga tidak perlu dilakukan differencing. Data telah stasioner setelah dilakukan differencing
sebanyak satu kali pada variabel Z3. Selanjutnya dilakukan penaksiran parameter model time series. Untuk
mengetahui parameter yang signifikan, dilakukan pengujian parameter dengan taraf signifikansi 5%. Berikut
ini uji individu dengan uji-t.
Uji Individu dengan Uji-t
Hipotesis:
H0 : k  0 dan  k  0 , dengan k  0 ,1,2 ,3 (parameter tidak signifikan)
H1 : k  0 dan  k  0 , dengan k  0 ,1,2 ,3 (parameter signifikan)
Statistik Uji :
bk 1
t hitung 
S bk 1 
Hasil t-hitung dari pengujian masing-masing parameter dapat dilihat pada kolom 4 Tabel 7
t tabel  t 0 ,025 ;90  1.99
Kriteria Pengujian :
Dengan  = 5%, jika t hitung > t 0 ,025 ;90 maka H 0 ditolak artinya parameter signifikan. Hasil keputusan
pengujian masing-masing parameter model dapat dilihat pada kolom 6 Tabel 7 dan dapat disimpulkan seperti
yang ada dalam kolom 7 Tabel 7.
Tabel 7 Hasil Estimasi Parameter Dugaan Model ARIMA dan Hasil Uji-t untuk Signifikansi
Lokasi Model Parameter t hitung t tabel Kriteria pengujian kesimpulan
Z1 ARIMA(1,0,0) 1 30,49 1,99 H 0 ditolak signifikan
Z2 ARIMA(1,0,0) 1 34,33 1,99 H 0 ditolak signifikan
3 3,25 1,99 H 0 ditolak signifikan
10 -3,16 1,99 H 0 ditolak signifikan
ARIMA
Z3
([3,10],1,[3,13]) 3 7,31 1,99 H 0 ditolak signifikan
 13 -2,69 1,99 H0 ditolak signifikan
Dari Tabel 7 diketahui bahwa parameter untuk masing-masing model sudah signifikan. Langkah
selanjutnya adalah melakukan cek diagnosa terhadap residual untuk mengetahui apakah residual telah white
noise dan berdistribusi normal.

8
Tabel 8. Ljung-Box Model ARIMA
Lokasi Model Lag 6 Lag 12 Lag 18
Z1 ARIMA (1,0,0) 2,68 8,84 14,67
Z2 ARIMA (1,0,0) 2,02 6,79 14,18
Z3 ARIMA ([3,10],1,[3,13]) 3,82 5,22 14,99

Gambar 9 Plot Probabilitas Residual untuk Z1, Z2, Z3

Dari pengujian dengan Ljung-Box yang telah dilakukan didapatkan p-value seperti pada Tabel 6, p-value
dari masing-masing model lebih dari 0.05 yang itu berarti bahwa residual dari model ARIMA telah white
noise. Sedangkan dari Gambar 9 dapat diketahui bahwa residual dari model ARIMA tidak berdistribusi
normal. Hal ini disebabkan oleh banyaknya outlier yang ada pada data.

Perbandingan Pemodelan GSTAR dan ARIMA

Model terbaik adalah model dengan kesalahan ramalan terkecil. Oleh karena itu, dilakukan perbandingan
hasil ramalan dari tiap-tiap model yang terbentuk. Perbandingan hasil ramalan dilakukan dengan melihat nilai
RMSE dari tiap-tiap model. Penerapan masing-masing model pada data in-sample menghasilkan ramalan
yang mendekati data asli namun pada data out-sample menghasilkan ramalan yang nilainya relatif konstan
dan tidak sesuai dengan pola data asli. Kondisi ini berati bahwa model yang ada sudah cukup sesuai dengan
kondisi asli namun perlu dilakukan pemilihan metode peramalan yang lebih sesuai dengan kondisi data asli.
Salah satu metode yang bisa digunakan untuk mengatasi kondisi semacam ini adalah one step forecast. Nilai
RMSE dari hasil peramalan dengan menggunakan one step forecast dapat dilihat pada Tabel 9.
Tabel 9. RMSE Model pada one step Forecast
Model Z1 Z2 Z3 Rata-rata
GSTAR(21)-I(1) bobot lokasi Seragam 168,3699 192,1352 139,2224 166,5758
GSTAR(21)-I(1) bobot lokasi Inverse jarak 176,2617 175,4109 144,8508 165,5078*
ARIMA 169,5066 193,1314 165,3260 175,988
* nilai RMSE yang terkecil di setiap lokasi
Hasil perbandingan pada Tabel 9 menunjukkan bahwa model GSTAR(21)-I(1) bobot lokasi invers jarak
mempunyai rata-rata nilai RMSE out-sample yang lebih kecil. Pola ramalan dari model GSTAR(21) – I(1)
dengan bobot lokasi inverse jarak ditampilkan dalam Gambar 10.

Gambar 10. Hasil Peramalan One Step Model GSTAR dengan Bobot Invers Jarak

9
5. Kesimpulan
Dari analisis yang telah dilakukan didapatkan kesimpulan bahwa model yang sesuai untuk data debit air
sungai pada penelitian ini adalah model GSTAR(21) – I(1) untuk ketiga lokasi, model ARIMA(1,0,0) untuk
Z1, model ARIMA(1,0,0) untuk Z 2 , dan model ARIMA([3,10],1,[3,13]) untuk Z3. Model terbaik yang
dihasilkan adalah model GSTAR(21) - I(1) dengan bobot lokasi inverse jarak. Nilai rata-rata RMSE dari
model ini dengan metode peramalan one step forecast adalah 165,5078. Pola ramalan dari model ini dengan
metode peramalan one step forecast sudah cukup baik dan mengikuti pola data out-sample.

6. Daftar Pustaka
Armstrong, J.S. (2006). Significance Test Harm Progress in Forecasting. International Journal of
Forecasting, vol 23, pp. 321-327.
Borovkova, S.A. (2002). Generalized STAR model with experimental weights. In M. Stasionopoulos and G.
Toulomi (Eds.). Proceedings of the 17th International Workshop on Statistical Modeling, Chania, pp.
139-147.
Borovkova, S.A. (2008). Consistency and asymptotic normality of least square estimators in generalized
STAR models. Journal compilation Statistica Neerlandica, Neerlandica, pp. 482-508.
Box, G.E.P. (1994). Time Series Analysis: Forcasting and Control. 3rd edition, Englewood Cliffs: Prentice
Hall.
Kostenko, A.V. (2008). Forecasting without significance test?. RobJHynman.com/papers/sst2.pdf.
Lutkepohl, H. (2005). New Introduction to Multiple Time Series Analysis, New York: Springger.
Pfeifer, P.E. (1980a). A Three Stage Iterative Procedure for Space-Time Modeling. Technometrics, 22 (1),
35-47.
Pfeifer, P.E. (1980b). Identification and Interpretation of First Orde Space-Time ARMA Models.
Technometrics, 22 (1), 397-408.
Ruchjana, B.N. (2002). Pemodelan Kurva Produksi Minyak Bumi Menggunakan Model Generalisasi S-TAR.
Forum Statistika dan Komputasi, IPB, Bogor.
Shofiyah, M.A. (2009). Peramalan Data PdoduksinGas di Joint Operating Body Pertamina-Petrochina East
Java (JOB P-PEJ) dengan Model GSTAR dan ARIMA.
Suhartono (2006). Pemilihan bobot lokasi yang optimal pada model GSTAR. Prosiding Konferensi Nasional
Matematika XIII, (h. 571-580). Semarang, Indonesia: Universitas Negeri Semarang.
Wei, W.W.S. (2006). Time Series Analysis Univariate and Multivariate Methods, second edition, Pearson
Education, Inc.

10